深度神经网络机器翻译

2013年，在Brandeis大学聆听薛念文老师（计算语言学领域引用率最高的华人之一， 下图居中, 薛老师右边是好友柏晓鹏和李斌）讨论小组研究语言模型的时候， 已经感到神经网络语言模型的力度。

但是还是非常难以想象到3年不到的这么短时间，就突破到这个程度。 去年年底Google神经网络机器翻译出来的时候， 本人有感于突破之快， 把当年的讨论的部分收获写到了 “概率估值的光滑（Smoothing）”里面。 

今天有时间和大家一起讨论下下， 深度神经网络机器翻译。

前言

2016年年底， Google公布了神经网络机器翻译（GNMT）， 从此宣告， 机器翻译经过27年左右， 正式从1989年的IBM机器翻译模型(PBMT，基于短语的机器翻译)，过渡到了神经网络机器翻译模型。已经极大接近了普通人的翻译了。 

而从基于短语的翻译到神经网络翻译， 相对提升可以达到60%以上， 因此一下子引起了欢呼和惊叹。 而这背后的大功臣，就是sequence to sequence (seq2seq)的端到端的模型。 

而这个seq2seq模型，除了机器翻译，还极大改变了整个自然语言处理相关应用。 包括基本的NLP功能：Parsing, NER等； 传统的NLP应用：Summarization, QA, Conversation等； 还有多模的世界：图像和文字， 语音和文字等。 

譬如， Google除了GNMT以外还有基于seq2seq的TTS系统Tacotron：

基于seq2seq的问答系统：

基于seq2seq的概要提取系统：

接下来， 我们按如下顺序介绍seq2seq模型：

1. Seq2Seq的简史

2. PBMT 时代的基石和问题

3. 端到端模型的出现

4. 神经网络语言模型的出现

5. RNN-LM的出现

6. RNN的发展
   

7. Seq2Seq的出现

8. Seq2Seq的发展
   

一. Seq2Seq的简史

目前seq2seq的突破，离不开：

a. Attention机制： 现在Attention机制几乎将IBM模型中alignment对齐机制发挥出新的境界。

b. RNN模型升级： RNN出现了双向RNN，堆栈RNN，和残差RNN。在GNMT里面把这些技术统统用上了。使得RNN模型的学习能力达到空前高度。 

c. RNN-LM模型： RNN的使用开启解决长距离依赖的问题， 也引发记忆计算在语言模型的新思考。 

d. NNLM模型突破：NNLM模型的发展使得非线性的投影和Softmax的近似计算得到突破。 

e. 端到端的编解码模型：端到端的早期突破使得多模融合成为可能。 

2015年，两个小组： Tim Rocktaschel为代表的伦敦大学院、牛津大学、还有DeepMind的小组（Reasoning about Entailment with Neural Attention），  和爱丁堡大学的Jianpeng Cheng（Long Short-Term Memory-Networks for Machine Reading），发表了基于Attention的对齐机制细分和相关的可视化的分析。 尤其Jianpeng Cheng对Shallow Attention Fusion 和 Deep Attention Fusion的区分，代表了Attention机制在NLP里面的成熟。 

2014年 - 2015年，斯坦福计算机系Manning组的 Minh-Thang Luong 的论文 Effective Approaches to Attention-based Neural Machine Translation 正式基于高斯分布推导了Local Attention，比较了Global Align Attention和Local Align Attention， 和视频处理里面 Soft Attention 和 Hard Attention建立了联系。 

2015年 Bengio的团队中来自德国的Dzmitry Bahdanau （NEURAL MACHINE TRANSLATION BY JOINTLY LEARNING TO ALIGN AND TRANSLATE），将Attention机制引入到机器翻译中，正式开启了Attention作为Alignment的大门！

2014年 两个人， Bengio团队的Kyunghyun Cho (Learning Phrase Representations using RNN Encoder–Decoder for Statistical Machine Translation)   和 Google的 Ilya Sutskever (Sequence to Sequence Learning with Neural Networks) 正式将RNN Encoder-Decoder搬上神经网络机器翻译NMT的历史舞台， 并且命名为Seq2Seq模型！

从上面， 我们看到从Seq2Seq简单模型到有Attention模型的Seq2Seq的经历。 

二. PBMT 时代的基石和问题

首先基于短语的机器翻译，从IBM模型一路发展而来， 已经相当成熟。 并且开源系统也很多，极大促进了机器翻译的研究和应用。 

最重要的是完成机器翻译的功能模块的分解： 双语对齐， 语言模型，翻译模型， 解码器， 测试。 

这个使得， 神经网络语言模型诞生后，可以进行独立测试， 逐步发展替代。 

其中n-gram语言模型，基于全概率公式和马尔可夫假设，

但是问题也出现在这个n-gram模型， 主要的3大问题：

1. 通过频率计算概率， 存在数据稀疏，概率为0的情况难以轻易搞定。

虽然，众多概率光滑的算法（尤其 Modified Kneser-Ney 算法）纷纷出现， 依然对人为先验设计要求太高。 

2. 长距离依赖的问题难以解决（短语N-Gram中N的局限性）

3. 线性模型学习的局限性

如何解决基于频率的概率估算问题， 解决长距离依赖， 解决线性模型的问题在基于短语的机器翻译PBMT框架下难以彻底截距。 

其实， 还有两个神器在PBMT时代已经广泛应用了：

 

1. Log-Linear模型的提出

在“概率分布の三奥义” 里面，我们就提出了， 概率估计发展， 从基于频率， 到基于经验，再到基于最大熵。  需要的数据越来越少。 而Log-Linear就是基于最大熵的概率模型（细节参考““66天写的逻辑回归” 引”） 如果想深入了解的， 简单说来Log-Linear和最大交互熵之间的关系就是著名的Donsker-Varadhan定理：

Log-Linear表现为Softmax输出。

2. 束查询 Beam Search

当把翻译的词拼成句子的时候， 要求整个句子的似然概率最大， 这时候Beam Search是介于贪心和动态规划（譬如 Viterbi Algorithm）之间个一种均衡了效果和计算量的选择。 

转自：AI2ML人工智能to机器学习

完整内容请点击“阅读原文”